01 參賽總結(jié)

卓老師您好，我們是西安郵電大學(xué)參與16屆智能視覺組的代表隊(duì)，很榮幸拿到了今年全國總決賽一等獎的好成績。下面我將分享我們的參賽總結(jié)。

Ⅰ.總體分析

相較于15屆的AI電磁以及今年的室外越野來說，智能視覺組是一個 全新的AI組別。其涉及了嵌入式，機(jī)器視覺，圖像處理，神經(jīng)網(wǎng)絡(luò)等方面知識。對于大多數(shù)學(xué)生來說，大家?guī)缀跬耆谕粋€起跑線上，除了傳統(tǒng)循跡之外，增加了其它元素識別任務(wù)。而且在國賽時識別部分的權(quán)重更高了，所謂的祖?zhèn)鞔a的優(yōu)勢便不能發(fā)揮出強(qiáng)大的優(yōu)勢了，因此，也就打破了往年所謂強(qiáng)校弱校的"標(biāo)準(zhǔn)"，這就更加考驗(yàn)本屆參賽選手的個人能力和團(tuán)隊(duì)協(xié)作能力。

▲ 圖1.0 處在三岔路口的車模

Ⅱ.硬件部分

① 硬件電路設(shè)計(jì)

本組硬件原理圖如下所示

▲ 圖1.1 智能視覺硬件原理圖▲ 圖1.1.1 主板實(shí)物圖其中，相較于其他組別，AI視覺組有著更多的耗電設(shè)備，因此我們選用了大容量鋰電池作為電源，以及采用了兩片AS1015穩(wěn)壓芯片分別給S3010舵機(jī)和二自由度機(jī)械臂供電。AS1015穩(wěn)壓芯片相較于AMS1117穩(wěn)壓芯片，其可輸出更大的電流，以便更加穩(wěn)定的控制舵機(jī)。

② 結(jié)構(gòu)

由于AI視覺組相較于其他組別，需要搭載一個可轉(zhuǎn)動的舵機(jī)云臺（或者其他結(jié)構(gòu)），以便完成AprilTAG碼識別，水果動物識別，激光打靶等任務(wù)。但是由于一般的舵機(jī)云臺質(zhì)量偏大，因此我們采用了自制的輕量型機(jī)械臂結(jié)構(gòu)，相對于搭載傳統(tǒng)普通舵機(jī)云臺，其優(yōu)點(diǎn)是質(zhì)量輕，車體重心偏移小。而且自由度較高，將Open-ART搭載在其上，其可視范圍角度約270°，能將AprilTAG碼前后25cm盡收眼底，以便更好的完成任務(wù)。

▲ 圖1.2 車模前視圖（即將出發(fā)去西部賽區(qū)比賽前的照片）

Ⅲ.控制部分

① 圖像預(yù)處理--canny算子：

• 算法優(yōu)點(diǎn)：得到的邊界信息非常真實(shí)，噪點(diǎn)少，抗光干擾性強(qiáng)
• 算法缺點(diǎn)：耗時長，對單片機(jī)性能要求高，

1. 算法步驟：

1. 高斯濾波：濾掉噪聲

2. Sobol邊緣檢測：通過兩個算子對圖像的x軸和y軸進(jìn)行卷積運(yùn)算，得出兩個值x軸上的梯度tempx和Y軸上的梯度tempy，可以通過這里兩個值算出該像素點(diǎn)的梯度幅值和梯度方向。

3. 極大值抑制：sobol處理后得到的邊緣很寬，這一步是將像素點(diǎn)的額梯度幅值和它梯度方向上的相鄰的兩個值進(jìn)行比較，如果不是最大值，就抑制，是最大值，則保留。

4. 雙閾值連接：大于高閾值的像素給255，低于低閾值的給0，中間的則將之與附近的八個像素點(diǎn)比較，如果有大于高閾值的像素點(diǎn)，則給255，否則給0。

▲ 圖1.3  車模賽道積分階段

② 舵機(jī)模糊PID控制

• 1) 算法優(yōu)點(diǎn)：與傳統(tǒng)固定常量PID和分段式PID相比，在高速時，傳統(tǒng)PID在直道會出現(xiàn)車身左右震蕩的情況，非線性系統(tǒng)擬合性不太好，分段PID在分的斷點(diǎn)附近會出現(xiàn)震蕩，而模糊PID具有很好的誤差跟隨性，響應(yīng)快，準(zhǔn)確，車身不再出現(xiàn)左右震蕩的情況，而且不同的速度，都能很好的運(yùn)行。
• 2) 算法缺點(diǎn)：參數(shù)多，調(diào)參困難；算法復(fù)雜。結(jié)合我們車的實(shí)際情況及需求，為了簡化參數(shù)，我們只模糊P，而I和D都是調(diào)好的常量。

2. 阿克曼差速：

• 算法概述：后輪的左右車速在轉(zhuǎn)向時，內(nèi)側(cè)速度小，外側(cè)車速大，這與前輪的舵機(jī)打角值成對應(yīng)關(guān)系，這種關(guān)系就是阿克曼轉(zhuǎn)向模型。

▲ 圖1.5  賽道積分成績確認(rèn)

Ⅳ.識別部分

本組采用了基于Tensorflow深度學(xué)習(xí)框架，自行搭建的卷積神經(jīng)網(wǎng)絡(luò)模型。識別時，先利用OpenART尋找合適大小的矩形框，再對其進(jìn)行分類。

（參賽使用的模型均為采用了輕量化后.tflite模型文件）

1. 數(shù)字分類模型：采用了MINIST數(shù)據(jù)集作為訓(xùn)練集，四層簡單的卷積神經(jīng)網(wǎng)絡(luò)作為模型進(jìn)行訓(xùn)練，最終獲得的效果較好。

2. 水果動物分類模型：采用了爬蟲獲取以及官方給出的部分?jǐn)?shù)據(jù)集，對其進(jìn)行圖像增強(qiáng)，并且搭建了卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，最終效果表現(xiàn)較好（調(diào)整Open ART至合適的曝光度的情況下）雖然在西部賽區(qū)由于種種原因，其表現(xiàn)狀態(tài)不佳，說白了還是因?yàn)槲姨肆恕?

3. AprilTAG碼識別：調(diào)用內(nèi)置包接口即可。偶爾會出現(xiàn)一些誤判

4. 激光打靶：采用了簡單的建模思想和傳統(tǒng)的PID控制。但是效果一般，可能真的因?yàn)槲姨肆?

5. 在全國總決賽中，由于規(guī)定圖片隨機(jī)出現(xiàn)，且包含有空白圖片，對此，我采用了模型嵌套思想，概況如下：

先做一個簡單的分類模型，分類出空白，數(shù)字，二維碼，其他四類，先對圖片進(jìn)行分類，再對內(nèi)容調(diào)用相應(yīng)的模型或方法。（本人親測識別一次所需時間約為75ms）由于對AI模型理解并不深，導(dǎo)致最終模型效果受光線影響較強(qiáng)。

▲ 圖1.4  目標(biāo)識別積分階段

Ⅴ.參賽體會

總的來說，智能視覺組是一個引入了前沿技術(shù)，對綜合能力考驗(yàn)強(qiáng)，挑戰(zhàn)性高，趣味性高的組別。讓參賽選手能從智能車競賽中提高自己能力以及能夠更全面地認(rèn)知和學(xué)習(xí)前沿技術(shù)。

02 大賽展望

一、NXP大學(xué)計(jì)劃

學(xué)校對于NXP大學(xué)計(jì)劃有濃厚的興趣，希望NXP能推出性能更加優(yōu)越適用性更廣的芯片用于教學(xué)和競賽中。最好能夠達(dá)到在適配RT-Thread同時可以流暢運(yùn)行中小規(guī)模的AI模型。

PS：本人作為17屆參賽預(yù)備選手，真真真心希望芯片價(jià)格低一點(diǎn)或者給每個學(xué)校的補(bǔ)助芯片多一點(diǎn)。

二、賽題展望

希望在17屆中能出現(xiàn)更多的新元素比如加上抄近道，比如AI視覺任務(wù)遇上AI電磁循跡（想想都刺激），或者基于攝像頭AI循跡，把AI更多的融入進(jìn)創(chuàng)意組，同時也希望更多的貼近現(xiàn)實(shí)生活，比如：多車同賽道同時競速，加入測速區(qū)間

（如不達(dá)標(biāo)下限或者超出上限則加時）

希望加入一個近道元素（在無判罰），如下圖所示:

▲ 圖2.1 賽道中的“近道元素